FARCLUSS：用于半监督语义分割的模糊自适应再平衡与对比不确定性学习
计算机视觉与模式识别
2025-06-24 v2 机器学习
图像与视频处理
摘要
半监督语义分割（SSSS）面临着有效利用无标签数据等持久挑战，如伪标签利用不足、类别不平衡偏差的加剧以及对预测不确定性的忽视。当前方法常通过严格阈值筛选，偏好支配性类别，导致不确定区域被丢弃。为此，我们引入一个综合框架，通过四个主要组件将不确定性转化为学习资产：（1）模糊伪标签化，保留来自top-K预测的软类分布以丰富监督；（2）不确定性感知的动态加权，通过熵基可靠性得分调制像素级贡献；（3）自适应类别再平衡，动态调整损失以抵消长尾类别分布；（4）轻量级对比正则化，鼓励紧凑且判别性的特征嵌入。广泛的基准实验表明，我们的方法优于当前的状态方法，显著提升了对欠代表类的和模糊区域的分割。
引用
@article{arxiv.2506.11142,
title = {FARCLUSS: Fuzzy Adaptive Rebalancing and Contrastive Uncertainty Learning for Semi-Supervised Semantic Segmentation},
author = {Ebenezer Tarubinga and Jenifer Kalafatovich and Seong-Whan Lee},
journal= {arXiv preprint arXiv:2506.11142},
year = {2025}
}
备注
Submitted to Neural Networks